这生产力，保熟吗？

据网友介绍，中国的一半算力，已经贡献给了华强买瓜。

芯片在运转，机房在散热，电力源源不断地输入，刘华强源源不断地走向瓜摊。科技公司负责突破人类智能的边界，网友负责突破买瓜剧情的边界。人类离通用人工智能还有多远不好说，华强离买到一个满意的瓜，显然还有很长的路。

这大概是人工智能产业最朴素的一次供需对接：企业提供改变世界的技术，群众提出再买一次瓜的需求。

笑过之后，这个段子却碰到了AI最核心的问题。我们已经看到它能以惊人的速度生产文字、图片、视频和代码，但这些越来越便宜、越来越充裕的内容，究竟能让真实世界富裕多少？

从“什么都能生成”，到“日子真的更好过”，中间还隔着一整套经济活动。

华强买瓜恰好提供了一个入口。过去做一段像样的二创，需要剪辑、配音、逐帧修改；现在，一个人借助AI，就有机会完成过去需要多人协作的工作。这当然是进步。即使最后只换来观众一笑，也不能说笑声没有价值。

但同样一套技术，如果能帮助瓜农减少病害、让运输少烂几个瓜、让商贩更准确地安排进货，它改变的就不只是屏幕里的剧情，还有现实中的成本和供给。

这里藏着生产力和生产率的区别。生产力说的是我们拥有了怎样的生产能力，生产率追问的则是：投入一定的劳动、资本和其他资源，最终能得到多少有用的产出。AI可以让生产能力迅速扩张，至于投入产出关系改善了多少，需要另外算账。

一座机房昼夜不停，首先证明电费正在发生。它是否创造了足以覆盖芯片、能源、软件、人工复核和部署成本的价值，服务器自己不会回答。

岗位提效真实具体，企业整体收益仍有距离

目前，AI已经交出的成绩是真实的，只是成绩单还很不均匀。

一项针对五千多名客服人员的研究发现，引入生成式AI助手后，以每小时解决的问题数量衡量，平均生产率提高了约15%，经验较少、技能较弱的员工受益尤其明显。这里的进步相当具体：同样一个小时，确实解决了更多客户问题。

这个结果比“AI即将取代所有人”的口号更值得琢磨。AI的一项重要作用，是把原来掌握在少数熟手身上的经验，变成更多人随时可以调用的能力。新人不必把前人踩过的坑重新踩一遍，小团队也可能获得过去负担不起的专业支持。

技术的价值，由此从替人干活延伸到了缩短学习过程。一个社会培养合格劳动者的成本如果下降，知识和经验的传播如果加快，生产率增长就有了扎实的基础。

然而，把镜头从一个岗位拉到一家企业，画面就没有那么整齐了。

2026年一项覆盖美国、英国、德国和澳大利亚近六千名企业高管的调查显示，69%的受访企业已经使用AI，但高管报告的过去三年企业就业和生产率变化仍然很有限。另一项针对近750名企业高管的研究则发现了正向生产率收益，且行业差异明显，同时指出，企业感受到的提效大于实际测量到的收益。两项调查的样本和口径不同，共同呈现的却是一幅有层次的图景：有人已经受益，有人仍在试用，感到好用与最终赚到收益之间，还有距离。

这些海外样本不能直接折算成中国的增幅，但足以提醒我们：某项工作效率提高15%，并不意味着整家公司、更不意味着整个经济体的生产率也提高15%。

局部提速引发瓶颈转移，组织与流程改造决定成效

假设一份材料过去写两小时，现在只用二十分钟，当然省了时间。可如果它依然要等三个部门会签、一周后才能上会，最终交付速度未必改变。再假如省下来的时间，被用来把原本十页的材料扩成五十页，那么写材料的人轻松了，读材料的人未必。

AI能够迅速消灭一些工序里的低效率，也能够迅速扩大另一些工序里的无意义。

这就是局部提效很难自动变成整体增长的原因。生产过程是一串相互依赖的环节，一个环节提速之后，瓶颈会转移到下一个环节。内容生成变便宜，筛选和判断就更稀缺；代码生成变容易，需求理解、测试和维护就更重要；方案可以一口气出一百个，决定哪个值得执行、执行失败由谁负责，依然需要组织能力。

AI把“做出来”的成本压低以后，“做什么”“做得对不对”“做完有没有用”，反而变得更贵。

这也是为什么，真正的生产率革命很难只靠给每个员工发一个账号完成。

企业需要整理数据、打通系统、调整分工，把原来围绕人工操作设计的流程重新安排一遍。许多投入发生在收益之前，而且并不好看：没有炫目的演示，只有数据清洗、权限设置、流程磨合和反复返工。经济学中讨论的“生产率J曲线”，解释的正是这类过程——新技术需要配套的组织和无形资产投资，早期成本先发生，收益随后才可能显现。

这给乐观留下了依据，却不能给所有亏损开一张通往未来的支票。流程改造得好，投入才能逐步转成收益；买了工具却不愿改变组织方式，等待本身并不会产生奇迹。

前景延伸至研发与场景，最终收益取决于红利流向

往更远处看，AI最值得期待的前景，也不止于把今天的工作做快一点。

眼下较容易看到的是节省工时，接下来更大的变化可能来自服务范围的扩大。过去因为专业人士太贵、客户规模太小而无法提供的服务，有机会变得可负担；过去因为设计和试验成本太高而被放弃的想法，有机会进入验证。一个小企业获得持续的技术支持，一个普通人获得更充分的学习辅助，其意义都超出了“原来一小时，现在十分钟”。

再往前一步，是提高创造新知识的效率。AlphaFold 3已经展示了对多类生物分子复合物结构的预测能力。结构预测当然不等于新药已经上市，但它说明AI能够进入科学研究的核心环节，为研究者提供新的工具。

如果AI能够帮助人类更有效地筛选假设、设计实验、寻找材料和改进工艺，它影响的将是未来技术进步的速度。今天省下一名员工的几个小时，改善的是现有生产；让研究者更快找到一种有效方法，则可能改善此后许多年的生产。

这也是AI前景中最有分量、同时最需要耐心验证的部分。我们已经看到了若干环节的突破，距离普遍提高研发成功率、持续推动全社会生产率增长，还需要更多现实结果。

对中国而言，这个问题尤其不能停留在模型排名和算力规模上。制造、物流、零售和各类专业服务，提供了大量可以检验AI价值的具体场景。值得争取的进步，可能是一条产线减少停机、一家小企业减少库存、一名工程师缩短调试时间。这些成果未必适合刷屏，却有机会在广泛复制之后，成为扎实的经济增量。

但应用规模扩大，还会带来第二道考题：省下来的成本，最后去了哪里？

当所有商家都用AI生成广告，广告数量可以大幅增加，消费者的注意力却不会同步增长。如果大家只是花更少的钱、更快地争夺同一批顾客，个别企业可能赢得优势，整个社会得到的新增价值却可能有限。瓜摊的吆喝声放大了一百倍，街上未必就多了一百个买瓜的人。

相反，如果AI帮助商家减少损耗，并通过竞争把成本下降转化为更低价格，消费者即使没有使用任何AI产品，也享受到了技术红利。企业利润没有暴涨，也不代表生产率没有进步；一部分收益可能已经进入消费者的购物篮。

还有一部分收益，应该体现在人的时间上。同样的工作可以更快完成，最终可能变成更高的产量、更高的收入，也可能变成更少的加班。究竟走向哪一种，取决于竞争、需求、劳动者的议价能力和企业如何分配成果，模型参数并不替我们作这个决定。

所以，AI的经济前景，最终要同时回答三件事：机器能做多少，组织能用好多少，人能分享多少。

目前，第一件事进步最快，第二件事正在艰难展开，第三件事还远没有定论。把三者混在一起，就容易把技术演示当作经济成果，再把经济成果当作人人已经受益。

华强买瓜之所以好笑，正因为它替一场过于宏大的技术叙事，安排了一个过于具体的验收现场。

企业讲未来，资本讲空间，模型讲能力，华强只关心拿到手的东西。这种朴素，恰恰是AI产业最需要的：少看生成了多少字、多看解决了多少问题；少看安装了多少工具、多看扣除全部成本以后，究竟增加了多少价值。

等到AI让现实中的瓜更好种、更少烂、更便宜，让种瓜、运瓜、卖瓜的人也能过得更好，它对生产力的许诺，才算有了越来越充分的兑现。

在那之前，华强完全有理由从屏幕里走出来，替所有正在为这场技术革命买单的人，再问一句：

这生产力，保熟吗？